本发明涉及图像数据处理，尤其涉及一种基于机器视觉的帘子布生产缺陷检测方法。
背景技术：
1、帘子布作为轮胎、运输带等工业产品的主要骨架材料，其质量优劣关乎最终产品的安全性能与使用寿命，在现代化高速生产环境下，帘子布生产过程极易出现断经、断纬、纱结、油污、稀密路等多种缺陷。这些缺陷若未被及时检出并处理，有可能在后续产品应用中引发严重安全隐患，如轮胎行驶过程中的爆胎风险，运输带运转时的断裂故障等。
2、传统的帘子布生产缺陷检测方式以人工目视检测为主，这种方法在现代工业大规模生产中暴露出明显的局限性，人工目检对于检测人员的经验要求极高，长时间工作容易导致视觉疲劳，从而造成漏检或误判；人工检测速度难以匹配高速生产节奏，效率极为低下，无法满足大规模工业化生产对检测效率与准确性的要求。
3、近年来，基于机器视觉的帘子布生产缺陷检测方法逐渐受到关注，相关技术中，通过相机采集帘子布图像，再借助图像处理算法识别缺陷，但在实际应用中，面对帘子布高密度、强周期性的背景纹理，这种检测技术暴露出诸多问题：一方面，正常纹理的周期性波动与部分缺陷在灰度、形态特征上高度相似，导致检测系统常将正常纹理误判为缺陷，产生大量误报；另一方面，对于细微断纱等特征微弱的缺陷，其信号易被密集的背景纹理所掩盖，传统算法难以有效分离缺陷与背景信息，导致检测系统难以精准识别，造成漏检。这些问题影响了检测结果的准确率与鲁棒性，进而制约了帘子布生产质量的提升与生产效率的提高。
技术实现思路
1、为解决上述基于机器视觉的帘子布缺陷检测技术，因受帘子布高密度、强周期性背景纹理影响，易将正常纹理误判为缺陷而产生误报，且难以识别被背景掩盖的微弱特征缺陷而导致漏检的技术问题，本发明提供了一种基于机器视觉的帘子布生产缺陷检测方法，所述方法包括步骤：
2、获取帘子布的灰度图像并将其划分为多个图像块；计算各图像块的纹理连续性得分，并当所述纹理连续性得分低于预设阈值时，将对应的图像块判定为缺陷区域；所述纹理连续性得分根据所述图像块的局部纹理连续性和周期性规律确定，所述局部纹理连续性表征所述图像块的中心区域与其环形邻域之间纹理特征的相似度，所述周期性规律表征所述图像块在预设频域范围内的能量集中程度；针对所述缺陷区域，提取其灰度标准差和梯度幅值，并对二者进行非线性融合以得到缺陷度量值，计算其梯度方向信息熵以得到纹理紊乱度，基于所述缺陷度量值和纹理紊乱度确定其自适应权重；根据各缺陷区域的自适应权重计算其裁剪限制值，所述裁剪限制值与自适应权重呈负相关；采用所述裁剪限制值对各缺陷区域执行局部对比度增强处理，得到处理后的缺陷区域，将其输入分类模型进行处理，以输出缺陷检测结果。
3、本发明通过图像块中心区域与环形邻域的纹理相似度捕捉局部结构完整性，同时利用频域能量集中程度与帘子布经纬纱周期性分布特性相贴合的特点，将二者融合计算得到纹理连续性得分，能有效区分真实结构性缺陷与正常纹理波动，减少后续检测的伪缺陷干扰；针对筛选出的缺陷区域，先通过灰度标准差与梯度幅值的非线性融合生成缺陷度量值，再结合梯度方向信息熵计算自适应权重：权重越高，裁剪限制值越低，可强力增强细微断纱、浅淡油污等微弱缺陷使其凸显；权重低则裁剪限制值更高，能抑制背景过增强与噪声放大，避免伪影并提升缺陷特征信噪比；经针对性增强后，缺陷区域有效特征更突出，既降低了深度学习分类模型的学习难度，又让模型能高效聚焦真实缺陷核心特征，最终实现高准确率、高鲁棒性检测，减少漏判误判的同时，适配不同纹理密度与缺陷类型的帘子布检测场景。
4、优选的，所述缺陷区域的缺陷度量值满足关系式：
5、；
6、其中，是第个缺陷区域内的第个像素点的灰度标准差；是第个缺陷区域内的第个像素点的梯度幅值；是第个缺陷区域的像素点的总数；是标准归一化函数。
7、本发明通过非线性的对数融合方式来计算缺陷度量值，该度量值既能灵敏地响应由油污等引起的灰度异常，也能捕捉由断经断纬等引起的边缘突变；对数部分的结构能够平滑地放大微弱信号并抑制极端峰值的过度影响，确保无论是灰度型缺陷还是结构型缺陷都能被均衡地评估，从而获得更全面的缺陷严重程度评估指标。
8、优选的，所述基于所述缺陷度量值和纹理紊乱度确定其自适应权重，包括：将所述缺陷度量值的平方，与归一化后的纹理紊乱度的平方之和作为分子，将所述缺陷度量值、归一化后的纹理紊乱度与预设微小值的和作为分母，二者的比值为自适应权重。
9、本发明的自适应权重通过缺陷度量值与归一化后纹理紊乱度的平方和作分子、二者与预设微小值的和作分母的比值计算，能实现对不同类型缺陷的差异化关注，平方项的设计会放大特征自身的贡献度，当缺陷以灰度异常或边缘突变，如断经断纬为主要表现时，缺陷度量值的占比会明显提升，权重向其倾斜；当缺陷以纹理错乱如纱线排布无序为核心特征时，纹理紊乱度的影响会被强化，权重则侧重后者，算法决策能更准确地匹配缺陷的核心表现，为后续对比度增强的强度控制提供更贴合实际的依据。
10、优选的，所述根据各缺陷区域的自适应权重计算其裁剪限制值，包括：将所述自适应权重与预设全局裁剪限制值的乘积作为裁剪调整量，预设全局裁剪限制值与所述裁剪调整量的差值为裁剪限制值。
11、优选的，所述图像块的纹理连续性得分满足关系式：
12、；
13、其中，是图像块的局部纹理连续性；是图像块的周期性规律；是预设敏感度系数。
14、本发明引入的非线性响应函数起到低得分敏锐调节与高得分平稳收敛的作用，当局部纹理连续性或周期性规律任一个处于较低水平时，该函数会产生比简单乘积更明显的调控效果，让纹理连续性得分快速减小，从而捕捉到纹理破坏情况。
15、优选的，所述局部纹理连续性的确定，包括：以图像块的中心为中心点，获取其候选区域和环形邻域；分别计算所述候选区域和环形邻域的旋转不变局部二值模式特征值得到各自的特征直方图；计算两个特征直方图的巴氏系数，并基于所述巴氏系数确定所述局部纹理连续性。
16、优选的，所述图像块的局部纹理连续性满足关系式：
17、；
18、其中，、分别是图像块的候选区域、环形邻域在第个区间上的归一化频率；是特征直方图的区间总数。
19、本发明通过巴氏系数比较中心区域与周围正常区域的ri-lbp特征分布，能够更稳定地判断中心区域的纹理是否与周围区域的纹理特征一致，从而在复杂工况下依然能识别出由缺陷引起的局部纹理异常。
20、优选的，所述周期性规律的确定，包括：使用快速傅里叶变换处理所述图像块以得到频谱图，将所述频谱图的预设区域内的总能量与整个频谱图的总能量的比值作为所述能量集中程度。
21、优选的，所述分类模型是预先训练好的深度学习分类模型。
22、优选的，所述局部对比度增强处理为对比度受限的自适应直方图均衡化处理。
23、本发明的有益效果：本发明通过图像块中心区域与环形邻域的纹理相似度捕捉局部结构完整性，同时利用频域能量集中程度与帘子布经纬纱周期性分布特性相贴合的特点，将二者融合计算得到纹理连续性得分，能有效区分真实结构性缺陷与正常纹理波动，减少后续检测的伪缺陷干扰；针对缺陷区域，通过灰度标准差与梯度幅值的非线性融合生成缺陷度量值，再结合梯度方向信息熵计算自适应权重，权重越高代表缺陷特征越明显或缺陷可能性越大，对应更低的裁剪限制值，可对细微断纱、浅淡油污等微弱缺陷进行强力对比度拉伸使其从复杂背景中清晰凸显，而权重低即接近正常纹理的区域则采用更高裁剪限制值，温和抑制背景纹理过增强与噪声放大，避免因增强过度产生伪影，提升缺陷特征的信噪比。